Without Pain -- Clustering Categorical Data Using a Bayesian Mixture of Finite Mixtures of Latent Class Analysis Models
本文提出一种贝叶斯两层有限混合模型，用潜在类别分析近似簇分布，结合伸缩采样器和标签切换处理，实现对未知簇数多元分类数据的简约聚类，并在模拟和下背痛数据上验证了有效性。
2024-07-07 stat.ME
Approximate Bayesian Computation for Finite Mixture Models
有限混合模型用于统计学和其他学科，但混合模型的推理是具有挑战性的，部分原因是由于似然函数的多峰性和所谓的标签切换问题。我们提出了扩展的近似贝叶斯计算人口蒙特卡罗（ABC-PMC）算法作为一种替代框架的推断有限混合模型。在有限混合模型中实现ABC-PMC算法时，需要做出几个决定，包括选择用于在迭代中移动粒子的内核，如何解决标签切换问题，以及选择信息汇总统计量。最后通过算例验证了ABC-PMC混合建模算法的有效性。所提出的方法的性能进行了评估，在模拟研究和流行的退行速度星系的数据。
2020-11-02 stat.ME
Bayesian Finite Mixture Models
本文系统阐述贝叶斯有限混合模型在聚类中的应用，涵盖成分数已知与未知两种情况下的先验设定、MCMC估计、标签切换处理及后验推断，并通过多元高斯混合模型实例说明完整建模流程。
2024-07-07 stat.ME
Bayesian estimators of the Gamma distribution
在本文中，我们介绍了两个贝叶斯估计学习的参数Γ分布。第一个算法使用一个众所周知的非归一化共轭先验的Gamma形状和第二个使用一个非线性近似的可能性和先验的形状是共轭的近似的可能性。在这两种情况下，使用拉普拉斯近似来计算所需的期望值。我们进行了理论上的比较，最大似然和贝叶斯算法，使我们能够提供非信息参数值的先验超参数。我们还提供了一个数值比较使用合成数据。这些新的贝叶斯估计的引入打开了包括Γ分布到更复杂的贝叶斯结构，例如变分贝叶斯混合模型的可能性。
2016-07-12 stat.ME
Moment-based Bayesian Poisson Mixtures for inferring unobserved units
我们利用一个合适的矩为基础的表征混合泊松分布的发展贝叶斯推断为未知大小的有限人口的单位是受到多次发生在枚举抽样阶段。这是一个特别具有挑战性的设置，许多其他的尝试已经作出推断的未知特性的人口。在这里，我们把特别强调的混合分布的特征的默认先验启发的建设。我们评估我们的方法在实际数据应用和模拟研究中的比较性能。
2018-06-18 stat.ME
Classical and Bayesian Analyses of a Mixture of Exponential and Lomax Distributions
在混合模型的寿命试验中，指数分布和Lomax分布被广泛应用。提出了一种指数分布与Lomax分布的混合模型。所提出的模型的参数估计使用经典和贝叶斯程序下的第一类右删失。贝叶斯估计的表达式推导出假设非信息（均匀和杰弗里斯）先验下对称和非对称损失函数。后验预测分布的未来观测的推导和预测估计。广泛的蒙特卡罗模拟进行调查性能的估计方面的样本量，删失时间和混合比例。混合模型的分析进行了使用的数据集的发射机和接收机的寿命。有趣的性质的估计进行了观察和讨论。
2020-02-25 stat.ME
Identifying Mixtures of Mixtures Using Bayesian Estimation
在基于模型的聚类中使用有限混合的正态分布允许捕获非高斯数据聚类。然而，从正常分量中识别聚类是具有挑战性的，并且通常通过对模型施加约束或通过使用后处理过程来实现。在贝叶斯框架内，我们提出了一种不同的方法，基于稀疏有限混合物，以实现可识别性。我们指定了一个分层的先验，其中超参数是精心选择的，这样它们就可以反映目标的集群结构。此外，该先验允许使用标准MCMC采样方法来估计模型。结合解决标签切换问题并导致识别模型的后处理方法，我们的方法允许同时（1）确定聚类的数量，（2）使用有限的法线混合以半参数方式灵活地近似聚类分布，以及（3）识别特定于聚类的参数并对观察结果进行分类。所提出的方法是说明在两个模拟研究和基准数据集。
2016-06-20 stat.ME
Scalable Bayesian nonparametric measures for exploring pairwise dependence via Dirichlet Process Mixtures
在这篇文章中，我们提出了新的贝叶斯非参数方法，使用Dirichlet过程混合（Dirichlet Process Mixture）模型来检测随机变量之间的成对依赖关系，同时考虑潜在分布形式的不确定性。一个关键的标准是，这些程序应该扩展到大型数据集。在这方面，我们发现，正式计算的贝叶斯因子的依赖与。独立联合概率测度在计算上是不可行的。为了解决这个问题，我们提出了贝叶斯诊断措施，对成对独立的“空模型”的特征证据。在模拟研究中，以及一个真正的数据分析，我们表明，我们的方法提供了一个有用的工具，探索性的非参数贝叶斯分析的大型多元数据集。
2016-04-27 stat.ME
Bayesian nonparametric location-scale-shape mixtures
离散混合模型是密度估计最成功的方法之一。在贝叶斯非参数框架下，Dirichlet过程的位置-尺度混合高斯核是金标准，既具有良好的理论性质，又具有计算易处理性。在本文中，我们探讨使用的偏态核，它可以自然地容纳几个程度的偏度的使用第三个参数。该核函数的选择使我们能够在不同的应用中制定具有大支持度和良好性能的非参数位置-尺度-形状混合先验。渐近地，我们表明，这种建模框架是一致的频率论意义上。有效的吉布斯抽样算法进行了讨论，并通过模拟和应用星系速度和生育率数据的方法进行了测试的性能。扩展，以适应离散数据进行了讨论。
2013-11-29 stat.ME
Bayesian mixture of Plackett-Luce models for partially ranked data
在许多心理学和行为学实验中，为了研究特定人群的偏好/选择取向，经常需要对多个选项进行序数判断。Plackett-Luce模型是最流行且最常应用的参数分布之一，用于分析有限项目集的排名。本工作介绍了一个贝叶斯有限混合Plackett-Luce模型来解释未观察到的部分排名数据的样本异质性。我们描述了一种有效的方法，将潜在的组结构中的数据增强方法和推导现有的极大似然程序作为特殊情况下，所提出的贝叶斯方法。利用最大\textit{a posteriori}估计的期望最大化算法和吉布斯抽样迭代过程的组合可以进行推断。我们还研究了几个贝叶斯标准选择最佳的混合配置和描述诊断工具，用于评估排名分布的健身条件和无条件的排名项目的数量。利用新的贝叶斯参数Plackett-Luce混合物表征样本异质性的几个应用程序来说明模拟和真实的偏好排名数据。我们比较我们的方法与频率论的方法和贝叶斯非参数混合模型都假设Plackett-Luce模型作为一个混合成分。我们对真实数据集的分析揭示了准确诊断检查对于适当深入理解部分排名数据的异质性的重要性。
2016-10-06 stat.ME
Bayesian mixture modeling for multivariate conditional distributions
我们提出了一个贝叶斯混合模型，用于估计一组固定变量条件下的混合有序、名义和连续数据的联合分布。该模型对随机变量使用多元正态和分类混合核。它通过多变量正态混合核和截断局部Dirichlet过程来诱导随机变量和固定变量之间的依赖性。后者鼓励具有相似固定变量值的观测值共享混合分量。使用数据融合的模拟，我们说明，该模型可以估计潜在的关系，在数据和缺失值的分布更准确地比混合模型应用于随机和固定变量联合。我们使用该模型来分析消费者的阅读行为，使用配额样本，即，一个样本，其中一些变量的经验分布是固定的设计，所以不应该被建模为随机的，由图书出版商哈珀柯林斯进行。
2016-07-13 stat.ME
A Bayesian Mixture Model for Clustering on the Stiefel Manifold
分析了Stiefel流形上矩阵Langevin分布的贝叶斯混合模型。该模型利用了一个特定的参数化的矩阵Langevin分布，其中的各个方面进行了详细阐述。一个一般的，新颖的，家庭的共轭先验，和一个有效的马尔可夫链蒙特卡罗（MCMC）抽样计划，相应的后验的混合模型。详细探讨了先验分布和后验分布的理论性质，包括后验一致性。大量的仿真实验验证了该框架的有效性。真实世界的例子，包括一个大规模的神经成像数据集，进行了分析，以证明计算的易处理性的方法。
2017-08-23 stat.ME
Bayesian model averaging via mixture model estimation
基于Kaniav等人提出的假设检验的混合模型方法，提出了一种新的贝叶斯模型平均（BMA）和选择方法，2014.继承这种方法的良好特性，它扩展了BMA的情况下，不适当的先验选择的参数是共同的所有候选模型。从算法的角度来看，我们的方法包括从所有候选模型的单数据混合物的后验分布中采样，由其先验概率加权。我们证明了这个后验分布等于所有候选模型的“贝叶斯模型平均”后验分布，由它们的后验概率加权。从这个BMA后验样本，每个模型的后验概率的一个简单的蒙特卡罗估计，以及每个模型的后验分布下的期望的重要性抽样估计。
2018-08-01 stat.ME
Bayesian I-optimal designs for choice experiments with mixtures
离散选择实验经常被用来量化消费者的偏好，让受访者在不同的替代品之间进行选择。在文献中，涉及成分混合物的选择实验在很大程度上被忽视了，尽管许多产品和服务可以被描述为成分的混合物。因此，很少有研究已经做了关于混合物的选择实验的最优设计。现有的研究主要集中在D-最优设计上，这意味着采用了基于估计的方法。然而，在混合物的实验中，获得能够对任何成分比例组合进行精确预测的模型至关重要。这是因为混合实验的目标通常是找到优化受访者效用的混合物。因此，I-最优性准则比D-最优性准则更适合于设计混合物的选择实验，因为I-最优性准则侧重于用估计的统计模型得到精确的预测。在本文中，我们研究贝叶斯I-最优设计，比较它们与贝叶斯D-最优的同行，并表明，前者的设计表现大大优于后者的预测效用的方差。
2021-09-14 stat.ME
Bayesian nonparametric mixtures of Archimedean copulas
University of Toronto（多伦多大学）；ITAM（墨西哥自治技术学院）
本文提出了一种基于Poisson-Dirichlet过程的Archimedean copula贝叶斯非参数混合模型，以提升依赖性建模的灵活性，并通过数值实验验证了其有效性。
2026-10-26 stat.ME
Bayesian Nonparametric Erlang Mixture Modeling for Survival Analysis
我们开发了一个灵活的Erlang混合模型用于生存分析。生存密度的模型是从一个结构化的混合厄兰密度，混合上的整数形状参数与一个共同的尺度参数。混合权重通过正实数线上的分布函数的增量来构造，该正实数线被赋予Dirichlet过程先验。该模型具有相对简单的结构，平衡灵活性与有效的后验计算。此外，它意味着一个混合物表示的风险函数，涉及时间依赖的混合权重，从而提供了一个通用的方法来估计风险。我们扩展模型来处理对应于多个实验组的生存响应，使用一个依赖的Dirichlet过程之前的组特定的分布，定义的混合权重。模型的属性，事先规范，和事后模拟进行了讨论，并与合成和真实数据的例子说明了方法。
2022-11-16 stat.ME
Comparison of Bayesian Nonparametric Density Estimation Methods
在本文中，我们提出了一个非参数贝叶斯方法的Lindsey和惩罚高斯混合方法。我们比较这些方法与Dirichlet过程混合模型。我们的方法是一个贝叶斯非参数方法，而不仅仅是基于一个参数家庭的概率分布。因此，拟合的模型对模型误指定更稳健。此外，与贝叶斯方法，我们有我们感兴趣的参数的整个后验分布，它可以概括为通过可信区间，平均值，中位数，标准差，分位数等林赛，惩罚高斯混合物，和狄利克雷过程混合物的方法进行审查。通过马尔可夫链蒙特卡罗（MCMC）方法进行估计。惩罚高斯混合方法通过哈密顿蒙特卡罗（HMC）实现。我们表明，在一定的正则条件下，随着n的增加，后验分布的权重收敛到一个正态分布。仿真结果和数据分析报告。
2020-11-27 stat.ME
Bayesian Analysis of Stochastic Volatility Model using Finite Gaussian Mixtures with Unknown Number of Components
金融研究需要基于波动率的模型，这些模型提供了与投资相关的风险的有用见解。随机波动率模型是此类研究中最流行的波动率建模方法之一。所研究的资产收益可能来自多个集群，这些集群在假设标准分布的情况下无法很好地捕捉。混合分布在这种情况下更合适。在这项工作中，一个算法证明，这是能够研究有限的混合物，但未知数量的组件。该算法使用一个死亡过程来调整混合分布中的分量数，并相应地分配权重。这种混合分布规格，然后用于资产收益率和半参数随机波动率模型拟合在贝叶斯框架。研究了高斯混合的一种特殊情况。采用适当的先验规范，吉布斯抽样方法被用来生成后验链和评估模型的收敛性。印度国家银行的股票收益率数据的案例研究被用来说明的方法。
2021-10-25 stat.ME
Proximity penalty priors for Bayesian mixture models
当使用混合模型时，可能的情况是建模者具有关于混合物的组分应该表示什么的先验信念或期望。例如，如果要将正常密度的混合拟合到某些数据，则可能需要组件专注于捕获位置而不是尺度的差异。我们引入了一个框架，称为邻近惩罚先验（PPP），允许这种偏好是明确的先验信息。该方法是无标度的，并对后验的限制最小，特别是没有任意的阈值需要设置。我们展示了该方法的理论有效性，并展示了使用PPP对模拟和真实数据的后验分布的影响。
2011-07-27 stat.ME
Robust Bayesian model selection for heavy-tailed linear regression using finite mixtures
在本文中，我们提出了一种新的方法来执行重尾分布的线性模型的贝叶斯模型选择。我们考虑一个有限的混合分布模型的潜在变量，其中每个组成部分的混合物对应于一个可能的模型内的对称类的正态独立分布。当然，高斯模型是其中一种可能性。这允许基于每个模型的后验概率进行同时分析。推理是通过马尔可夫链蒙特卡罗-吉布斯抽样与大都会黑斯廷斯步骤的一类参数。模拟的例子突出了这种方法的优势相比，隔离分析的基础上任意选择的模型选择标准。给出了真实数据的示例，并介绍和讨论了对截尾线性回归的扩展。
2017-08-18 stat.ME
Estimating an Inverse Gamma distribution
本文介绍了基于矩量法、极大似然法和全贝叶斯估计的逆Γ分布参数学习算法。我们还提供了逆Γ分布的库尔贝克-莱布勒散度的表达式，这使我们能够量化每个算法的估计精度。所提出的算法都是新颖的。最相关的新颖性包括第一共轭先验的反伽玛形状参数，它允许分析贝叶斯推断，和两个非常快的算法，一个极大似然和贝叶斯之一，都基于似然近似。为了计算在建议的分布下的期望值，我们使用拉普拉斯近似。这些新的贝叶斯估计的引入打开了将逆Γ分布包括到更复杂的贝叶斯结构中的可能性，例如变分贝叶斯混合模型。本文介绍的算法计算比较使用合成数据和有趣的关系之间的极大似然和贝叶斯方法。
2016-07-07 stat.ME
Bayesian Covariance Matrix Estimation using a Mixture of Decomposable Graphical Models
贝叶斯方法用于估计高斯数据的协方差阵。从高斯图形模型和模型选择的想法被用来构建一个先验的协方差阵，是一个混合在所有可分解的图。对于该先验，每个图大小的概率由用户指定，并且相同大小的图被分配相同的概率。大多数以前的方法假设所有的图都是同样可能的。我们的经验表明，分配相等的概率在图形大小的先验优于分配相等的概率在所有图形的先验，无论是在识别正确的可分解图，并在更有效地估计的协方差阵。
2007-06-09 stat.ME
A gamma approximation to the Bayesian posterior distribution of a discrete parameter of the Generalized Poisson model
设$X$服从广义泊松分布，其均值为$kb$，其中$b$是单位区间内的已知常数，$k$是离散的非负参数.我们表明，如果一个无信息的均匀前$k$假设，那么后验分布的$k$可以近似使用的Γ分布时，$b$是小的。
2016-06-06 stat.ME
A Bayesian Mixture Modelling of Stop Signal Reaction Time Distributions
Hans Colonius（1990）和Eric-Jan Wagenmakers及其同事（2012）分别使用非参数方法和贝叶斯参数方法对停止信号任务（SST）中单个停止信号反应时间（SSRT）的分布进行了建模，该分布作为不可观察停止过程的延迟测量。这些方法假设SST试验中的前一试验类型（进行/停止）对SSRT分布估计的影响相等，而不解决违反假设的情况。本研究提出了所需的模型，考虑两个状态的混合模型的SSRT分布。然后比较了贝叶斯参数的单一SSRT和混合SSRT分布在通常的随机顺序在个人和人口水平下的前高斯分布格式。结果表明，与单一SSRT分布相比，混合SSRT分布具有更大的多样性、更大的正偏性、更高的尖峰性和更大的随机序。结果中差异的大小还取决于混合SSRT分布中权重的选择。这项研究证实，混合SSRT指数作为一个常数或分布显着大于其单一的SSRT对应的相关顺序。这为SSRT估计提供了至关重要的改进。
2021-01-06 stat.ME
Overfitting Bayesian Mixtures of Factor Analyzers with an Unknown Number of Components
过拟合贝叶斯混合模型的最新进展提供了一个坚实的和直接的方法来推断潜在的聚类数和模型参数在异构数据集。这种框架的适用性聚类相关的高维数据证明。为了这个目的，一个过拟合的混合因素分析仪的介绍，假设因素的数量是固定的。采用马尔可夫链蒙特卡罗（MCMC）抽样器结合先验并行回火方案估计模型参数的后验分布。使用信息准则估计因子的最佳数目。与标签切换问题相关的可识别性问题通过重新标记算法对模拟MCMC样本进行后处理来处理。该方法是基准对国家的最先进的软件，极大似然估计的混合物的因素分析，使用广泛的模拟研究。最后，该方法的适用性说明在公开可用的数据。
2018-02-26 stat.ME
Bayesian Mixture Models for Histograms: with Applications to Large Datasets
Brigham Young University（杨百翰大学）；Pontificia Universidad Católica de Chile（智利天主教 Pontificia 大学）；Politecnico di Milano（米兰理工大学）；University of Milano-Bicocca（米兰比可卡大学）
提出一种贝叶斯方法，通过拟合混合模型到分箱数据来推断总体分布，使用可逆跳转MCMC进行推断，并扩展至多直方图聚类。
2026-06-24 stat.ME
Bayesian Analysis Using a Constrained Mixture of Normal-Inverse-Gamma Models
Florida State University（佛罗里达州立大学）；University of Missouri（密苏里大学）；Brigham Young University（杨百翰大学）
提出一种基于正态-逆伽马先验的高斯有限混合模型的组合方法，通过条件分布直接采样避免MCMC计算负担，并利用贝叶斯选择性推断约束标签空间，在模拟和CDC出生数据中验证有效性。
2026-06-23 stat.ME
Estimation and selection for high-order Markov chains with Bayesian mixture transition distribution models
我们开发了两个模型的贝叶斯估计和选择高阶，离散状态马尔可夫链。两者都是基于混合转移分布，它构造了一个转移概率张量与一阶转移矩阵的概率的加法混合。我们证明了所提出的模型的两个用途：通过混合低阶过渡模型来近似高阶动态，以及通过稀疏概率向量的先验过规范和收缩来选择顺序/滞后。先验进一步将所有模型缩小到可识别和可解释的参数化，这对数据分析很有用。我们讨论了模型的属性，并通过仿真研究证明了它们的实用性。我们进一步应用该方法的数据分析，从高阶马尔可夫链文献和时间序列的粉红色鲑鱼在美国阿拉斯加州的小溪丰富。
2019-06-25 stat.ME
Inequality Restricted Estimator for Gamma Regression: Bayesian approach as a solution to the Multicollinearity
本文研究了Gamma回归模型中参数受线性约束时的多重共线性问题。线性约束可以从先验信息中获得，以确保科学理论的有效性或基于物理现象的结构一致性。为了对模型进行相关的统计推断，应考虑关于模型参数的任何可用知识和先验信息。因此，本文提出了一种算法，以获得贝叶斯估计的伽玛回归模型的参数受到一些线性不等式的限制。通过蒙特卡罗模拟和实际数据集的应用，我们证明了所提出的估计量在相关性和准确性方面优于极大似然然估计量和岭估计量等普通估计量。
2023-03-09 stat.ME
Outlier-Robust Bayesian Multivariate Analysis with Correlation-Intact Sandwich Mixture
针对多元分析中离群值扭曲相关结构的问题，提出相关性保持的三明治混合模型，采用对称超重尾尺度分布实现后验稳健性，并开发高效吉布斯采样算法，在模拟和实证中验证优越性。
2025-10-24 stat.ME
Bayesian Repulsive Gaussian Mixture Model
我们开发了一般类的贝叶斯排斥高斯混合模型，鼓励良好分离的集群，旨在减少潜在的冗余组件产生的独立先验的位置（如狄利克雷过程）。在非参数密度估计的背景下，得到了该模型的后验分布的渐近结果，包括后验一致性和后验收缩率.更重要的是，我们表明，相比于独立的组件中心的先验，排斥先验引入额外的收缩效应的尾部概率的后验数的组件，这作为一个衡量模型的复杂性。此外，基于可交换分区分布和相应的瓮模型，提出了一种高效且易于实现的分块塌陷Gibbs采样器。我们评估的性能，并通过广泛的模拟研究和实际数据分析证明所提出的模型的优势。R代码可在https://drive.google.com/open?上获得id=0B_zFse0eqxBHZnF5cEhsUFk0cVE。
2017-10-21 stat.ME
Bayesian Inference on Mixtures of Distributions
本调查涵盖了最先进的贝叶斯技术估计的混合物。它通过研究新类型的分布，多项分布，潜在类分布和t分布，补充了早期的Marin，Mengersen和Robert（2005）。它还展示了封闭形式的解决方案，贝叶斯推断在一些离散的设置。最后，通过Chib（1995）的近似，给出了Bayes因子的计算方法。
2008-04-15 stat.CO stat.ME
Bayesian Measurement Error Models Using Finite Mixtures of Scale Mixtures of Skew-Normal Distributions
我们提出了一个建议，以处理的非正态性问题的背景下，测量误差的回归模型的响应和解释变量的观察误差。我们扩展了正态模型的未观察到的协变量和随机误差的斜正态分布的规模混合的有限混合联合建模。这种方法使我们能够以极大的灵活性对数据进行建模，适应偏斜，重尾和多模态。
2020-07-26 stat.AP stat.ME
A Bayesian Bootstrap for Mixture Models
本文提出一种新的非参数贝叶斯自助法用于混合模型，通过将传统贝叶斯自助法重新解释为梯度上升算法并改用连续核，基于非参数最大似然估计工作，并证明了算法的收敛性与可交换性。
2023-10-02 stat.CO stat.ME
Bayesian Nonparametric Model for Weighted Data Using Mixture of Burr XII Distributions
狄利克雷过程混合模型（DPMM）是一种流行的贝叶斯非参数模型。在本文中，我们将此模型应用于加权数据，然后使用梅特罗波利斯-黑斯廷斯算法从相应的加权分布估计未加权分布。然后，我们应用DPMM与不同的内核模拟和真实的数据集。特别是，我们在删失数据的存在下使用寿命数据，然后计算估计的密度和生存值。
2018-12-11 stat.CO stat.ME
Bayesian finite mixtures: a note on prior specification and posterior computation
本文提出了一种计算有限混合物组分数k的后验分布的新方法。本文还研究了先验规范的两个方面：论证了使用Poisson（1）分布作为k的先验;给出了在混合正态模型中选择超参数值的方法，其中分量参数具有自然共轭先验。
2007-11-03 stat.CO stat.ME
Distributed Bayesian clustering using finite mixture of mixtures
在许多现代应用中，人们对分析无法轻松跨计算机移动或加载到单个计算机上的存储器中的庞大数据集感兴趣。在这种情况下，对集群感兴趣是非常普遍的。现有的分布式聚类算法大多是基于距离或密度的，没有可能性规范，排除了正式的统计推断的可能性。基于模型的聚类允许统计推断，但分布式推断的研究强调非参数贝叶斯混合模型的有限混合模型。为了填补这一空白，我们引入了一个几乎并行的算法下的贝叶斯过拟合有限混合高斯混合，我们的分布式贝叶斯聚类（DIB-C）的聚类。DIB-C可以灵活地适应各种形状的数据集（例如倾斜或多模态）。随着数据的随机划分和分布，我们首先运行马尔可夫链蒙特卡罗在一个非常并行的方式来获得本地聚类绘制，然后细化跨工人的最终聚类估计的基础上的任何损失函数的空间分区。DIB-C还可以估计聚类密度，快速对新对象进行分类，并提供后验预测分布。仿真研究和实际数据的应用表明，优越的性能DIB-C的鲁棒性和计算效率。
2020-05-14 stat.CO stat.ME
Exact Bayesian Analysis of Mixtures
在本文中，我们将展示如何一个完整的和精确的贝叶斯分析的参数混合模型是可能的，在某些情况下，当成分的混合物是从指数家庭和共轭先验时使用。这种有限的设置使我们能够显示贝叶斯方法的相关性，以及展示一个完整的分析的局限性，即它是不可能进行这种分析时，样本量太大，当数据不是从一个指数的家庭，或当使用的先验比共轭先验更复杂。
2010-10-29 stat.CO stat.ME
Approximate Bayesian inference for mixture cure models
生存分析中的治愈模型处理的是一部分个体不能经历感兴趣事件的群体。混合治愈模型将目标人群视为易感和非易感个体的混合体。这些模型的统计分析侧重于检查治愈概率（发病率模型）和推断易感亚群中的至事件时间（潜伏期模型）。混合硫化模型的贝叶斯推断通常依赖于马尔可夫链蒙特卡罗（MCMC）方法。集成嵌套拉普拉斯近似（INLA）是一种最近的和有吸引力的方法进行贝叶斯推断。INLA在其自然定义中不能拟合混合模型，但最近的研究提出了将INLA和MCMC方法相结合以扩展其适用性的新建议（Bivand等人，2014年，Gómez-Rubio等人，2017，Gómez-Rubio and Rue，2018}.本文重点研究了INLA在混合固化模型中的实现。讨论了一般情况下具有删失和非删失信息的潜伏期和发病率模型的混合治愈生存模型。未经审查的个体无疑属于未治愈群体，这一事实是一个有价值的信息，被纳入了推理过程。
2018-06-25 stat.CO stat.ME
An approximate Bayesian marginal likelihood approach for estimating finite mixtures
当混合分布的支持未知时，有限混合模型的估计是一个重要的问题。本文提出了一种新的基于边际似然的未知支持度估计方法。受贝叶斯Dirichlet先验模型的启发，提出了一种计算效率高的边际似然随机逼近形式，并给出了大样本理论。通过将支持度限制在有限网格上，采用模拟退火方法来最大化边际似然并估计支持度。实际和模拟数据的例子表明，这种新的随机逼近-模拟退火过程优于现有的方法。
2012-02-13 stat.CO stat.ME
On the relationship between a Gamma distributed precision parameter and the associated standard deviation in the context of Bayesian parameter inference
University of Warwick（华威大学）
在贝叶斯推断中，未知的测量不确定度通常根据伽马分布精度参数来量化，当在推断期间应利用关于测量不确定度的标准差的先验信息时，这是不切实际的。因此，本文介绍了一种伽马分布精度参数和相关的标准差分布之间的转换方法。所提出的方法是基于数值优化，并显示出足够的结果，为广泛的场景。
2021-01-15 cs.LG stat.ME
Inference in Hybrid Bayesian Networks Using Mixtures of Gaussians
University of Kansas（堪萨斯大学）
本文的主要目标是描述一种方法，在一般的混合贝叶斯网络（BN）（离散和连续的机会变量的混合）的精确推理。我们的方法包括近似一般的混合贝叶斯网络的混合高斯（MoG）BN。Lauritzen-Jensen（LJ）提出了一种在MoG贝叶斯网络中进行精确推理的快速算法，并给出了该算法的商业实现。然而，该算法只能用于MoG BN。这种网络的一些限制如下。所有连续的机会变量必须有条件线性高斯分布，离散的机会节点不能有连续的父母。本文所描述的方法将使我们能够使用LJ算法的更大的一类混合贝叶斯网络。这包括具有非高斯分布的连续机会节点的网络，对离散和连续变量的拓扑结构没有限制的网络，具有条件确定性变量的网络，这些变量是其连续父母的非线性函数，以及具有连续机会变量的网络，其方差是其父母的函数。
2012-06-27 cs.AI stat.ME
A Semiparametric Bayesian Extreme Value Model Using a Dirichlet Process Mixture of Gamma Densities
在本文中，我们提出了一个Dirichlet过程混合的伽玛密度在阈值以下的大部分和广义Pareto密度在尾部的极值估计模型。所提出的模型是简单和灵活的，允许我们的后验密度估计和后验推理的高分位数。该模型工作良好，即使小样本量和在没有先验信息。我们通过仿真研究评估所提出的模型的性能。最后，将该模型应用于一个实际的环境数据。
2013-04-02 stat.AP stat.ME stat.ML
CliPS -- How to identify cluster distributions in Bayesian mixture models
WU Vienna University of Economics and Business（维也纳经济与商业大学）
CliPS通过点过程表示和后验分布分离特性，在贝叶斯混合模型中识别聚类分布并验证聚类结构。
2026-09-03 stat.CO stat.ME
Bayesian Mixture Modelling with Ranked Set Samples
针对不完美排序集抽样下有限混合模型参数估计问题，提出结合EM算法与Metropolis within Gibbs Sampling的贝叶斯估计方法，效果优于简单随机抽样法，并应用于老年女性骨病估计。
2023-06-13 math.ST stat.ME stat.TH
Clustering Multivariate Data using Factor Analytic Bayesian Mixtures with an Unknown Number of Components
最近的工作过拟合贝叶斯混合分布提供了一个强大的框架，使用潜在的高斯模型，类似于因子分析模型的聚类多变量数据。过拟合混合模型提供的灵活性产生了一个简单而有效的方法，以估计未知数量的集群和模型参数的马尔可夫链蒙特卡罗（MCMC）抽样。本研究通过考虑一组8个参数化扩展了这种方法，从而产生了每个聚类的协方差阵的简约表示。为了近似地从过拟合混合物的后验分布中采样，实现了与先前的并行回火方案相结合的Gibbs采样器。根据贝叶斯信息准则选择参数化和因子数。与标签切换相关的可识别性问题通过使用等价类代表算法对模拟输出进行后处理来处理。贡献的方法和软件进行了演示和比较，类似的模型估计使用期望最大化算法的模拟和真实的数据集。该软件可在https://CRAN.R-project.org/package=fabMix上在线获得。
2019-06-02 stat.CO stat.ME
Bayesian model choice via mixture distributions with application to epidemics and population process models
我们描述了一种新的方法来评估贝叶斯因子。其关键思想是引入一个超模型，其中竞争模型是混合分布的组成部分。混合概率的推断然后产生贝叶斯因子的估计。我们的动机是设置所观察到的数据是一个随机人口过程的部分观察到的实现，虽然方法有更广泛的适用性。这些方法允许缺失数据和在模型之间共享参数。说明性的例子，包括流行病，人口过程和回归模型，显示的方法是有竞争力的现有方法相比。
2016-02-14 stat.CO stat.ME
Bayesian D- and I-optimal designs for choice experiments involving mixtures and process variables
针对加工类混合食品的消费者偏好量化需求，本文提出将混合物-过程变量实验与离散选择实验结合的方法，介绍了对应选择实验的贝叶斯D-最优和I-最优设计生成方式，并通过两个示例对比两种设计。
2023-07-20 stat.AP stat.ME
Is infinity that far? A Bayesian nonparametric perspective of finite mixture models
混合模型是处理异质总体数据时最广泛使用的统计工具之一。本文考虑了长期存在的争论有限的混合物和无限的混合物，并带来了两个建模策略在一起，通过显示，有限的混合物只是一个点过程的实现。在贝叶斯非参数的视角下，我们引入了一类新的先验：归一化独立点过程。我们研究这个新类的概率性质。此外，我们设计了一个有限混合模型的条件算法与一个随机数的组件克服与可逆跳跃计划和最近提出的边际算法的挑战。我们用真实数据说明了我们的模型，并讨论了群体遗传学中的重要应用。
2019-04-22 math.ST stat.CO stat.ME
Bayesian inference for transportation origin-destination matrices: the Poisson-inverse Gaussian and other Poisson mixtures
在本文中，我们提出了泊松混合方法的起点-目的地（OD）的交通分析建模。我们引入协变量为基础的模型，其中包括不同的运输建模阶段，也允许直接概率推理的基础上贝叶斯预测的链路流量。重点放在泊松逆高斯作为一种替代常用的泊松伽马和泊松对数正态模型。我们提出了第一个完整的贝叶斯公式，并证明了泊松逆高斯是特别适合OD分析，由于理想的边际和层次属性。此外，集成嵌套拉普拉斯近似（INLA）被认为是一种替代马尔可夫链蒙特卡罗和两种方法进行了比较，在特定的建模假设。案例研究是基于2001年比利时人口普查数据，重点是一个大的，稀疏分布的OD矩阵，包含308佛兰芒自治市的行程信息。
2020-11-11 stat.AP stat.ME
A Semiparametric Bayesian Approach for Extreme Values Using Dirichlet Process Mixture of Gamma and Generalized Pareto Densities
对于极值估计，我们建议使用一个Dirichlet过程混合的伽玛密度的中心和广义帕累托密度的尾部模型。由于中心的随机性和尾部的重尾密度，高分位数的密度估计和后验推断是可能的。该方法可以在正实数上以“默认”方式使用，因为它在先验信息不可用时有效。该模型易于实现，并进行了敏感性分析。我们将所提出的模型应用于模拟和真实数据集。
2013-03-28 math.ST stat.ME stat.TH
MCMC computations for Bayesian mixture models using repulsive point processes
排斥混合模型最近在贝叶斯聚类检测中得到了普及。与更传统的混合模型相比，排斥混合模型产生更少数量的分离良好的集群。后验推理最常用的方法要么需要事先确定分量的数量，要么基于可逆跳MCMC计算。我们提出了一个一般框架的混合模型，当前的“集群中心”是一个有限的排斥点过程取决于一个超参数，指定的密度，这可能取决于一个棘手的归一化常数。通过研究这类混合模型的后验特征，我们得到了一个MCMC算法，它避免了众所周知的困难与可逆跳MCMC计算。特别是，我们使用的辅助变量的方法，它消除了棘手的规范化常数的黑斯廷斯比的问题。辅助变量法依赖于一个完美的模拟算法，我们证明这是快速的，因为组件的数量通常很小。在几个模拟研究和社会学数据的应用中，我们说明了我们的新方法比现有方法的优势，我们比较使用的行列式或排斥吉布斯点过程先验模型。
2021-04-19 stat.CO stat.ME
Bayesian Survival Analysis Using Gamma Processes with Adaptive Time Partition
在事件发生时间数据的贝叶斯半参数分析中，对于时间轴的给定有限分区，基线风险函数或累积基线风险函数采用非参数过程先验。然而，提出一个一般性的指导方针来构建最佳的时间划分将是有争议的。虽然已经做了大量的研究来放松其他非参数过程的固定分裂时间的假设，据我们所知，还没有方法已经开发的伽玛过程之前，这是最广泛使用的贝叶斯生存分析。在本文中，我们提出了一个新的贝叶斯框架比例风险模型的累积基线风险函数的伽玛过程建模先验。所提出的框架的一个关键特征是，区间截断点的数量和位置被视为随机的，并根据其后验分布进行估计。
2020-08-05 stat.CO stat.ME
Gaussian mixture modeling of nodes in Bayesian network according to maximal parental cliques
Zhejiang University（浙江大学）
本文用混合高斯模型代替线性高斯模型来拟合贝叶斯网络中每个节点的分布。我们将解释为什么以及如何在贝叶斯网络中使用高斯混合模型。同时，本文提出了一种新的混合模型优化方法--双重迭代算法，该算法结合了期望最大化算法和梯度下降算法，在混合模型的贝叶斯网络上有较好的性能。在实验中，我们在实际数据集上对不同结构的学习算法生成的不同图进行了高斯混合模型和优化算法的测试，并给出了每个实验的细节。
2022-05-16 cs.LG stat.ML
